大数据营销应用精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的大数据营销应用主题范文，仅供参考，欢迎阅读并收藏。

第1篇：大数据营销应用范文

关键词：大数据营销；阿里巴巴；应用

2011年，“大数据”一词首次被提出，进而引起了各个领域的关注，尤其是信息技术研发以及医学方面，而大数据营销在电商企业中的应用只在近两年才在相关领域被提及。鉴于大数据的规模大、复杂性强以及技术支撑要求高这几个方面的特点，本文以具体电商企业为研究对象，针对性地分析大数据营销在电商企业中的应用过程中存在的问题，使得研究更加的形象和具体化，从而有助于创新电商营销模式，开辟新的互联网企业发展道路。

一、阿里巴巴大数据营销应用分析

阿里巴巴的消费数据覆盖面广，累积量大，并且具有很强的数据挖掘能力，这些促使阿里巴巴成为大数据应用的先导者，以下从两个角度来分析阿里巴巴对大数据营销的应用：

（一）企业外部。阿里巴巴的数据库中记录着大量的用户数据信息，在保证用户权益的前提下，将在阿里巴巴平台上发生的物流数据，通过互联网技术，共享给各个物流快递公司，接着由阿里巴巴做好仓储和远途运输，由各地的快递来配送给客户，并由此形成一个开放、透明、共享的大数据库，开辟了电商企业、物流公司、仓储企业供应链服务商等的协同服务模式，在提高社会资源利用率的同时大大提升了电子商务的服务水平。

（二）企业内部。阿里巴巴各个部门的业务不同，所需的数据类别也不同，阿里巴巴为了避免数据收集的重复性，采用延伸基础性数据的挖掘深度的方法，并将所得的基础数据库进行统一使用和管理，比如，用户在注册网站时，其他网站的性别只分为男性、女性两类，但是在阿里巴巴却有着18个性别标签[1]。通过大数据平台，阿里巴巴将用户在网络上的各种活动进程一一记录，通过分析后能够较高程度地还原客户的实际需求，进而针对客户的个性化需求，向客户推销出符合客户意愿的产品，这种营销模式不仅有利于有效巩固用户群体，还能够进一步扩大用户群。

二、阿里巴巴大数据营销应用存在的问题

大数据营销为电子商务企业提供了众多的价值源，为企业的发展提供有利的途径和方法，但任何技术或工具的运用都需要企业各个方面的支持和配合[2]。作为大数据营销的先导应用者，阿里巴巴在大数据营销应用中也存在一定的问题。

（一）数据存在失真情况。数据的失真主要体现在两个方面：一方面，消费者在注册时可能会输入虚假的个人信息或者是一人使用多个账户、使用他人账户等，其在网络操作过程中产生的数据信息本身就不真实，然而这些数据仍会被阿里巴巴当成不同的用户记录下来，造成用户信息混乱，难以反映真实的用户需求；另一方面，由于网络技术的发展和消费者的个性化需求促使阿里巴巴每隔一段时间就要进行网站维护与更新，在这个过程中，会有不少用户因为不熟悉新的界面而进行错误的操作，这些错误的操作信息也被阿里巴巴记录，造成数据库中真假信息混杂，严重影响了大数据的质量。

（二）消费者的个人权益难以保障。阿里巴巴全网的活跃用户超过四亿以上，远超过其他门户、搜索等主要媒体，这些数据关联了从消费行为、生活信息、财产信息的方方面面[1]，并且阿里巴巴所拥有的“大数据”是由大量“小数据”组成的，而“小数据”是由一个个用户产生的，如社会媒体上用户或交互的信息、用户网上购物的消费记录、使用搜索引擎的搜索记录和用户消费数据等[3]，虽然阿里巴巴在用户信息安全方面做出了不少努力，但其拥有的用户信息量很大，一旦泄露，其造成的危害和影响难以想象，并且直至目前，阿里巴巴仍没有提出有效预防用户信息泄露的方法或是用户信息泄露之后的维护方法。

（三）大数据营销效果易出现两极化。用户在使用淘宝的过程中会将自己的手机号码、邮箱等联系方式提供给阿里巴巴，为了扩大经营，阿里巴巴会进一步分析数据库中的客户需求，针对不同的客户，通过短信、邮件等形式向客户推销产品，这在某些方面增加了客户，然而大多情况下这些信息会被消费者无视，更有甚者，会引起消费者的反感，因此，大数据营销的效果如何，仍存在极大的不确定性，效果难以预料。

三、阿里巴巴大数据营销应用的发展建议

在大数据产业市场规模逐渐增加的背景下，阿里巴巴的大数据营销取得了一定的成就，但也由于对大数据的研究仍处于起步阶段，数据的质量、性质难以保障，并且能被挖掘出来的价值和难度也难以估量，本文结合阿里巴巴大数据营销应用中存在的具体问题，针对性地提出以下相关建议。

（一）加强数据处理，提高数据有效性。加强数据处理应从两个方面下手，一方面是引进相关专业的高素质综合性人才，研发有效的数据分析工具，加强企业的数据处理能力，并借此进一步完善数据管理系统，修复数据系统中的各种隐患漏洞，有效筛选有价值的信息数据；另一方面要提高挖掘数据技术，充分实现数据价值，如物联网传感器、视频监控设备时时刻刻都在收集海量数据，但价值没有微博大，因为数据难以变现；运营商拥有用户通信相关数据，从语音到短信再到位置，量大过任何一个互联网巨头，只能白白浪费，因为运营商不被允许也无能力去利用这些数据[4]。

（二）加强数据安全管理，维护用户权益。目前，即便客户同意提供个人信息，但对于企业留存用户个人信息是否侵犯用户隐私尚无明确的法律条文，这就使得用户的个人信息在阿里云端的安全性得不到法律保护，存在极大的安全隐患。对此，阿里巴巴需要加强企业内部管理，严格数据系统安全管理制度，应当明确规定内部员工对于用户信息的保护和管理条例，建立问责机制，责任落实到个人，对于因个人利益而泄露用户信息的员工要加大惩罚力度，防止不法分子乘虚而入。与此同时，也需要保障用户对自己个人信息的修改、删除等权利。

（三）挖掘客户需求，加强营销效果。阿里巴巴可借助已有的用户信息，针对不同客户的个性化需求，采取市场调查及预测等方法，加深对其购买习惯的熟悉程度和把握程度，确定良好的产品推荐的时机和种类，比如节假日期间，下班时间，购物节等，也可尝试向其推荐其他的互补性产品，充分挖掘客户的潜在需求，这样不仅保证了推销的及时性，又避免了客户对于产品推销的厌恶情绪，从而扩大客户群，提升企业利润。

四、结语

综上所述，大数据营销是促进电商提高经营能力，提升利润空间，进一步推进网络市场经济发展的重要手段。由于大数据营销仍处于起步发展阶段，电商企业大数据营销应用中存在着各种问题，但这些只是大数据时展必然会存在的阶段性问题，只要针对这些问题提出有效的应对策略，大数据营销将不仅是局限于类似于百度、阿里、腾讯等电商企业，其应当在各个行业各个部门全面发展，从而进一步提高社会资源的利用率，推动大数据时代的发展。（作者单位：陕西师范大学国际商学院）

参考文献：

[1]甄妮.电商企业大数据营销的应用研究[D].广东外语外贸大学，2015.

[2]杨世杰.大数据营销在电子商务中的应用[C]//学术视域下的2015全国两会热点解读――决策论坛论文集（上）.2015.

第2篇：大数据营销应用范文

关键词：大数据技术；对公业务营销

中图分类号：F274 文献标识码：A 文章编号：1003-9031（2016）03-0070-04 DOI：10.3969/j.issn.1003-9031.2016.03.15

当今时代，以移动互联网、云计算技术、搜索引擎为代表的新一代信息技术全面渗入金融行业，对金融业态产生重要影响。同时，伴随网络技术的发展，数据渗透到了每一个行业，“大数据”应运而生，已成为重要的生产要素。对最早实现数字化交易的银行业来说，大数据能反映银行产品管理的综合信息，也隐藏着产品相关的客户行为模式，有助于实现基于客户行为的产品营销管理。

一、大数据技术概况

大数据尚未有统一的概念，目前采用较多的是麦肯锡咨询公司的定义，大数据是“规模大到传统的数据库软件工具已经无法采集、存储、管理和分析的数据集”，且大数据具有“4V”的特点，即数据量大（Volume）、数据种类繁多（Variety）、数据更新快（Velocity）、数据具有极大的价值（Value）[1]。IDC的报告预测未来5年中国的数据量将以51.4%的速度增长[2]。数据作为一种信息，记录了企业所有的产品信息，并能更精确、更客观地展现客户需求，具有重大的商业价值[3]。基于大数据技术的各种商业创新，会使得未来的营销活动以更贴近消费者需求方式以及在更为合理的时间实施，取得更好的效果[4]。

现有的大数据分析挖掘的方法有很多，常用的有如下几种。

1.关联分析法。这是最常见的大数据分析方法之一，指的是从现有的数据库中找出特定序列的数据在特定事件中存在的数据关联性。确定关联规则是关联分析法的重要基础，不同关联规则的设定会产生不同的关联结果。该方法主要用于发现某一事件中不同数据是否存在关联性，如产品间的内在关联性。

2.序列分析法。序列分析法与关联分析法规则类似，但寻找的是某一事件中数据之间在时间上的关联性。加入了时间序列，使得分析结果更具动态性和延续性。这种分析法对于发现潜在用户具有明显作用，能够广泛应用到金融、医疗、工程等领域的企业中。

3.分类和预测分析法。实际上是两个过程，第一步是确定模型描述，针对指定的数据类型和概念集进行分类划分，第二步是使用这种分类基于模型进行预测分析。这一类分析方法主要用于挖掘隐藏在数据背后的消费者特定的消费习惯，并预测其后续的可能行为。

4.聚类分析法。聚类分析法能够将数据库内数据特征未知的信息进行相似性最大化处理，帮助企业了解哪些是较为典型性的用户，哪些是忠实用户，哪些是流失用户等，从而有助于企业根据不同用户的消费特征制定不同的营销策略。

二、大数据技术在商业银行的应用现状

国内的金融行业，尤其是银行业，大数据的应用尚处于起步阶段，远远落后于互联网行业。但金融行业实现数字化交易以来，沉淀了大量的用户数据，是较为适合大数据分析的行业。银行业的数据分析尚处于从数据碎片化到数据整合时代的过渡阶段。现阶段，大数据技术在商业银行的应用主要集中在风险控制和零售业务，主要有三种模式。

首先，基于网上交易流水的数据挖掘。银行与电商合作，直接接触电商平台、支付平台上的大量卖家和买家，并通过交易流、信息流、资金流覆盖其产业链上的生产、物流、消费等多个环节。基于此，银行借助成熟的数据分析技术，实施风险控制和拓展营销。如工商银行“易融通”会自动处理客户信息，选取客户融资需求量、还款资金来源及其可靠性等因素作为贷款额度指标，在线批量审批与发放贷款。招商银行与敦煌网共同推出的“敦煌网生意一卡通”客户信息共享，为小微企业提供融资、结算、理财一体化的金融服务。

其次，基于第三方系统的征信数据挖掘。这一类数据主要包括人行征信、工商、税务、电力、房管局、车管所、社保、海关等政府数据，学历、购物、支付、物流等社会征信数据以及各大金融机构的金融数据等。这些数据使得银行能更加全面判断企业客户的属性和资质，更有针对性地根据其综合情况实施精准营销。如平安银行在接入平安保险、平安租赁等集团子公司数据的同时，辅之以政府公共数据，全面分析客户情况并据此营销。

最后，基于POS流水的数据应用。商业银行依托在线贷款业务平台系统，对客户进行综合信用评价，向符合贷款条件的POS商户，以其一定期限内的POS结算流入量为授信额度的依据，在线发放用于生产经营的信用贷款。已有的POS流水数据应用有招商银行和通联支付合作的流水贷、中信银行和银联商务合作的网络商户贷款业务，浦发银行和通联支付合作的流水贷业务等。

除了基于行内数据进行挖掘分析外，国内许多商业银行还与专业第三方公司合作，争取顺应大数据潮流，进一步加快应用大数据的步伐。如平安银行与SPSS公司合作，进行消费贷产品的大数据营销管理；宁波银行利用客户购买某项产品大数据分析结果挖掘潜在客户。这些探索为商业银行拥抱大数据技术，利用大数据技术转变营销理念和营销方法提供了很好的借鉴。

随着云计算、物联网等新型信息技术的发展和跨渠道跨终端的整合，银行的大数据将日渐完善。产品的客观数据与客户信息也将有效结合，形成完整的“产品――用户”数据库，用于银行各类产品的规模化和定制化综合推介，尤其是对于具有复杂的金融产品综合运用需求的对公客户来说，大数据的应用将是一片蓝海。

三、大数据技术在对公业务营销中的应用方案

对公客户是商业银行的主要利润来源之一，且该类客户沉淀了大量复杂的数据，将大数据技术应用于对公客户服务和对公产品营销具有重要意义。基于大数据技术的营销管理是一项系统性工程，需循序渐进，最终形成一套成熟体系。张湛梅等提出一套针对移动互联网的大数据营销体系“PDMA”，主要包括认知客户（perceive）、挖掘需求（data-mining）、精准营销（marketing）、营销评估（assessment），构成一个闭环体系[5]。基于“PDMA”的框架能很好地建立银行产品和客户两个维度。结合客户属性进行产品大数据分析，才能以更符合客户偏好和需求的方式实施产品营销，并对营销的效果进行事后评估，以持续改进。本文以“PDMA”为框架，系统阐述商业银行借助大数据技术进行对公产品营销管理的应用方案。

（一）P――认知客户行为

对公客户与零售客户有本质的区别，客户的金融需求复杂，且更加个性化多样化。在银行进行大数据分析之前，应当对对公客户有一个全面认识，并结合客户情况认知银行对公产品现状。认知企业客户行为可以从三个方面着手。

1.基于客户属性建立客户特征库。客户特征库包括银行数据库中的所有对公客户相关字段，可以对客户的自身属性、所在地区、财务状况、与银行合作紧密程度等进行初步分析，掌握客户基本情况。

2.结合客户持有产品情况，认知银行的产品结构。以产品管理系统中的产品库为依据，分析持有不同数量产品的客户分布、各门类产品的客户总体分布、下属分行及其经营机构的客户持有产品情况，以及结合多个时点的各门类产品客户数的变化趋势等。

3.在认知产品的基础上，基于产品记录，分析客户行为习惯。包括客户对产品门类的偏好，对产品购买渠道的偏好，对资金流动性的需求，购买产品时段偏好等。

（二）D――挖掘客户需求

在认知产品和客户的基础上，应用大数据技术，挖掘隐藏在产品信息和客户信息背后的客户需求，为后续的精准营销打下基础。

1.基于客户产品持有行为判断不同产品的相关程度。在客户持有产品的全数据中，同一客户持有多种产品的现象较为普遍。分析客户持有的产品明细清单，找出同一客户持有产品组合的一般规律，可以准确判断各产品之间的相关程度，测算出持有某种产品的客户同时使用该产品相关产品的可能性。产品相关分析的结果可以形成定期的产品相关性监测报告和营销建议。

2.基于产品的监测报告，判断产品持有的平均水平。结合客户产品的平均持有水平分析，将低于产品平均持有水平的对公客户认为是具有产品潜力的客户群，生成这一类客户清单。同时根据客户清单中对公客户所在分行进行分类，将这部分产品需求未充分挖掘的客户清单推送到分行，以帮助分行更好地锁定目标营销客户。同时也可以针对不同门类产品的客户情况进行统计分析，判断持有某类产品的客户使用其它门类产品的情况，也即产品的跟进情况。

3.对非结构化的大数据进行分析，全方位挖掘客户的产品需求。非结构化数据可以分为行内数据和行外数据。行内数据中，银行内部的资金来往记录和银行内部企业授信报告等都可以作为非结构化数据来源。此外，银行还可综合应用外部数据，如电力、税务、工商和人行征信系统数据。通过这类交易数据可以形成企业的社会网络关系图，作为供应链金融大数据营销的重要依据。

总之，需求发现环节应紧密结合产品和客户的数据，挖掘大数据背后客户对产品的需求，是借助大数据实现对公产品营销管理的基础性工作。

（三）M――产品精准营销

充分挖掘客户需求后，根据需求实施精准营销。具体可以有如下应用。

1.结合客户的产品门类偏好推荐同一类别的其它产品。根据客户偏好分析和需求挖掘结果，掌握客户对某类产品的使用记录，为其推荐同门类产品中其它热门产品（依据热门产品排名），提高同一门类产品的渗透率。此外，还可以具体到各分行，分析各分行同类产品使用情况，并将之与全行产品应用情况对比分析。低于全行各门类产品应用水平的分行建议就其薄弱的产品门类进行重点营销。

2.对持有某些产品的客户推荐产品组合中的其它产品。通过产品相关分析梳理出相关度高的产品组合，结合只持有这些产品组合中的部分产品的客户清单，生成各个客户还可进行关联营销的具体产品清单，推送给各分行，指导其根据该客户潜在产品清单对客户进行产品关联推荐。

3.通过客户属性分析开发潜在客户。从产品出发，通过聚类法和分类预测法分析持有某种产品的客户群体的共同属性，然后比对具有这些属性但还未持有该种产品的客户，作为该种产品的潜在客户名单，对名单上的客户推荐该种产品，通过分析现有客户成功开发新客户。

（四）A――营销效果评估

营销评估是贯穿“PDMA”大数据营销体系全流程的最后一环，也是营销管理流程中承上启下的重要步骤，能及时帮助商业银行掌握大数据分析的效果。银行在精准营销评估过程中，应当加入时间序列，结合产品和客户情况进行综合评估，并定期对基于大数据分析的精准营销实施评估，根据评估效果改善大数据分析和精准营销的成果。对有成效的分析结果形成定期营销报告，对于成果不显著的从业务角度总结原因，调整大数据分析模型和参数，改进结果。

四、对公业务营销中的典型案例

总体来说，相比国有银行，股份制银行更加积极拥抱大数据技术。2015年3月，民生银行“金融e管家”平台正式上线，这是民生银行利用大数据技术的一大利器。该平台主要针对国内商业银行客户关系管理系统管理功能、分析功能、应用功能相互脱离的弊端而开发的基于大数据分析的一站式服务平台。“金融e管家”服务于全行对公客户管理，覆盖“PDMA”框架的四个环节，是对公业务应用大数据技术的典范。

首先，认知客户行为（P）。该平台对接民生银行内200多个生产系统和数据中枢，并导入上市公司数据、人行征信数据、工商数据等行外的数据，形成完善的数据结构，通过不同的规则组合数据，如对公客户和产品的交叉组合，或者基于供应链的客户上下游集合等，使用户可从不同角度解读对公客户的特性，同时通过行内资金流和行内外信息流，精确掌握客户的行为习惯。

其次，挖掘客户需求（D）。该平台对客户信息更深层次的挖掘，去除无效信息，将有效信息放大，结合线下业务资源，挑选出最适合营销的企业关系群体，应用多种大数据分析方法，建立关系网络分析模型，识别出群体的特征和相互之间业务重点，并以极具可用性的界面展示客户潜在需求挖掘的结果，帮助客户经理深度挖掘客户的金融需求。

再者，产品精准营销（M）。该平台是一个智能化的融资理财和资源整合平台，主要围绕核心客户，通过后台数据的支撑，建立交易网络模型和上下游客户推荐模型，并据此匹配最适合的金融产品，实现精准营销。该平台上线后，对公产品关联营销的成功率大大提高。

最后，产品营销评估（A）。该平台建立了基于历史记录的客户绩效评价体系，科学全面的评价客户绩效，并根据评价结果改进营销方向。后评价功能涵盖对公业务的不同情况，如对个性化服务方案的综合评价，对集团客户也能建立综合收益的评价，而不仅仅是单独考虑单笔业务的收益，适应了缺资产时代的商业银行经营新思路。

可以预见，在信息技术发展日新月异的当代，随着对公业务背后纷繁复杂的信息流、资金流、物流等多样化数据不断沉淀，大数据技术在商业银行对公业务营销中的应用价值将日益凸显，并将逐渐成为商业银行对公业务的核心竞争力之一。

参考文献：

[1]Manyika， J.，M.Chui andB.Brown et al.Big Data：The Next Frontier for Innovation[R].Competition， and Productivity，2011.

[2]Franks， B.著，黄海，车皓阳，王悦等译.驾驭大数据[M].北京：人民邮电出版社，2013.

[3]杨威.大数据时代下的电子商务企业营销方式变革[J].中国电子商务，2014（14）.

第3篇：大数据营销应用范文

关键词：孤立点；数据挖掘；电力系统；营销审计；应用探索

随着计算机技术的高速发展，其高效的运算和海量的储存为供电企业管理提供了强大的技术支持。尤其是涉及运营环节的审计工作，因为需要对大量的财务数据和经营管理数据进行分析，通过计算机的数据挖掘技术辅助开展审计工作，可以有效减少传统审计方法对审计工作的限制，有效提高审计效率。在大数据时代的今天，基于计算机数据挖掘技术的孤立点分析方法，通过建立数据挖掘模型，具有快速发现异常审计现象的特点，因此，孤立点分析在供电行业营销审计中具有深远的应用意义。

一、孤立点和孤立点分析方法

孤立点分析，是数据挖掘技术中的一项重要技术，主要用来检测审计数据中的异常数据，是针对常规审计工作中疑点数据的孤立点表现而产生的一种技术分析方法。

1.孤立点

在进行审计的海量数据集中，通常会出现一些与众不同的数据，这些数据并不是由随机偏差产生的，很有可能产生于完全不同的机制，因此在聚类分析中表现为不属于任何的类或簇，这种数据对象在聚类中被称为噪声，在孤立点分析中则叫孤立点。在审计领域中，由于审查背景的不同和模型假设的差异，对于孤立点也会得出不同的结论。

另外，操作错误、蓄意操作，以及测量、系统的错误和相关总体数据的自然偏差等，都会导致孤立点的产生，因此，审计人员需对这些情况产生的原因进行深入分析，从中筛选出有价值的审计信息。

2.孤立点分析方法

（1）孤立点分析方法的概念：孤立点分析方法是通过在给定的数据集合中找出定义不一致的数据，并检测这些不一致的数据的方法。即，给定一个有n个数据点的集和，并对其中可能出现的孤立点数目进行预期，这个数值为k，发现与剩余的数据相比是显著异常的、孤立的、或不一致的前k个对象的过程。

（2）孤立点分析方法介绍。基于距离的方法：即对数据域中的数据对象进行相异度的分析，通过对审计数据进行清洗，并检验有效性后，结合所审计的行业的特点，以公式计算出符合大多数对象之间距离的阈值，并将这个数据确定为一个孤立点。这个方法可以克服基于统计方法中数据分布特征确定的问题。

基于偏离的方法：这一方法是通过对数据对象的主要特征进行检查从而确定孤立点。在基于偏离的方法中，主要采用的是序列异常技术和OLAP数据立方体技术。前者是通过对定义样本集的一般特征进行预先定义，从而将“偏离”这些特征的样本区分出来，是一种利用审计数据集的总方差找到相异度函数的有效方法。后者则是以审计中对异常的单元进行标注下钻，从而发现更深层次的异常。

基于密度的方法：这个方法的是利用数据对象的局部密度来对孤立点进行检测。当某一数据对象周围区域的局部密度与其他邻近数据的局部密度的局部孤立点因子（Locai OutlierFactor，LOF）值越大时，则越有可能是孤立点，从而提示相关审计人员注意，其特点是对于局部孤立点的发现效果较好。

基于距离和密度的聚类和孤立点检测方法：这一方法是将距离和密度方法进行融合，利用两种方法的优点来进行准确的聚类和孤立点确定，对于高维数据中的孤立点的识别更有效。

基于人工神经网络模型的方法：这一方法使用的数据集可以是较小的通用统计数据集，也可以是现实的较大的专用数据集，因此对于大小数据的孤立点检测都能获得较好的预期效果。但这一方法对于含有放射状的孤立点数据集检测效果不好。

在审计过程中，孤立点分析技术主要用于审计数据预处理过程和异常检测两个方面。审计人员需完成对原始数据的采集、清洗、验证，使数据满足建模的需求，再根据数据的类型和特征从以上几种常用的孤立点分析方法中找出适应的孤立点算法，既可以选取其中一种，也可以将几种方法进行有效组合，以满足审计工作寻找异常数据的要求。

二、孤立点分析方法在供电行业营销审计应用中的流程

孤立点分析方法在电力营销行业审计工作中的应用，应结合供电行业的特点，根据审计的需求，选择合适的方法，一般情况下，具体工作可以遵循以下流程：

1.提出需求

在进行审计时，审计人员需根据自身的经验和洞察力对经营业务中的异常情况进行分析，找出业务及数据中的孤立点，并与数据挖掘人进行深入沟通，实现对审计需求的全面了解。在提出审计需求时，相关内容应包括业务理解和数据理解两个方面，业务理解包括审计项目目标、评估审计目标的资源、确定数据挖掘目标、生成项目计划，并根据这些需求进行相关审计人员的假设；数据理解则是对审计部门的系统和业务流程进行了解，并对原始数据进行采集分析，同时对数据质量、数据变量进行初步检测和探索。

2.检验

基于对审计需求的理解，相关数据挖掘人员需要对能否采用孤立点分析方法解决审计问题进行判断。这需要预定义相关参数和孤立点的识别规则，后通过数据清理算法清理审计数据，最终实现对孤立点的精准定位。

3.建模

进行相关审计的建模工作，需要数据挖掘人员根据实际情况，提交数据挖掘模型，并将相关的功能和作用向审计人员进行详细介绍，使审计人员熟悉模型并确定其使用方法，之后即可对数据挖掘模型进行试用。

4.挖掘、评价

在挖掘模型的基础上，审计人员对其得到的数据挖掘结果进行评价。

5.修正和完善

如对模型得出的试用结果进行评价发现模型与审计需求不相符，这时就需对模型进行相应的修正和完善，使模型迎合审计的需求。

6.重复评价

在对模型进行调整后，对模型进行重复评价，保证其符合审计需求。

7.判断

根据模型得出的最终数据挖掘结果进行检测，如果结果的异常情况在合理范围内，审计人员可以根据自身的经验对其是否达到重要性水平进行判断，如果没有达到相关水平则可不予处理。

在进行基于孤立点分析方法的审计数据挖掘模型的建立时，审计人员需对相关数据的进行深入的理解，并对审计需求和孤立点算法的融合程度进行有效把握，以此决定数据挖掘模型的建立标准。在这一过程中，需通过不断的论证和反馈才能实现挖掘模型及方案在针对性、实用性上的最优化。

在大数据时代下，孤立点分析在供电行业营销审计中的应用，是实现科学审计的重要前提。根据供电行业营销业务的特点，通过制定最佳的]孤立点分析方法，可以为相关审计工作提供最符合需求的数据、目标及审计环境，从而得到最满意的结果。当然，要实现审计目标，还需要相关审计人员具备扎实的专业技能和丰富的经验，通过对算法的科学选择和模型的精确建立，对相关数据进行深入挖掘，假设孤立点，并以此找出特殊的、反常的疑点，进一步追踪、查阅相关资料，探寻异常问题的本质，经过分析验证营销业务中是否存在舞弊、违规等行为，从而提高审计效率，降低审计风险，促进供电行业的发展。

参考文献：

[1]陈丹萍.数据挖掘技术在现代审计中的运用研究[J].南京审计学院学报，2009，02：57-61.

[2]魏克哲.孤立点分析方法在现代审计中的运用研究[J].财会学习，2013，05：43-45.

第4篇：大数据营销应用范文

国内有一家民营航空公司，会员不下数百万，会员的一个重要信息是邮箱地址。另外一边，微博账号申请也需要一个邮箱地址。通常来说，同一个邮箱地址意味着航空公司里的会员和微博里的会员，应该是同一个人。公司做了一个筛选，合并出十万个用户来。

然后一家第三方公司的数据部门介入，主要任务是看这十万航空公司会员的微博用户，在社会化媒体上的行为，比如“说”些什么，比如喜欢介入什么样的话题去转发评论，比如喜欢关注什么样的商业账号。研究这类事的原因在于：这个航空公司很想知道它在社会化媒体上发起什么样的活动(以及活动所配备的礼品刺激)会吸引到这十万会员参加，成为earned media。

这个案例并非严格意义上的大数据，因为数据还是不够海量。不过，它的原理和大数据营销有关：寻求相关性。

相关性不是因果，很难得出这样的结论：因为经常坐某某航空公司的班机，所以喜欢参与某某活动(反过来也不成立)。但这两个变量之间，从普遍意义上讲，存在一定的关联。这个道理就像穿红袜子和炒股票的关系，或许有一定的关联系数，但绝不是因果关系。相关搞成了因果，差不多和“迷信”就没有区别了。

商业应用上，其实不太需要拼命挖掘因果。你只要知道坐该航空公司班机和参加特定活动之间存在一定概率就行了，至于究竟是为什么，可以暂时忽略之。对于营销业者而言，这个概率哪怕能帮助到营销活动提高10%参与度，都是不小的成效。

但问题在于，很多人把相关等同于因果，这样的做法会形成很有些误导性的结论。比如说，当在这个十万航空公司用户中发现，他们特别喜欢某类活动，这个结论是不具有推广性质的。再新增五万航空公司微博用户时，你很难把上述那个结论也放他们头上。因为这里面没有因果关系。要确认因果关系，必须经过一个很复杂的观察和思考过程，排除所谓“隐性变量”。这不是那么简单的做一些数据分析就可以的。相关性是因果的前提，但是不等于因果。

于是，大数据出现了。

大数据寻求的是海量数据，海量到什么份上？就是全样本。全样本和抽样显然是不同的。过去的研究，由于操作性的关系，很难做到全样本，需要去抽样。抽样的科学做法是“随机”——不过这一点听着容易，做起来相当困难。真正的随机抽样需要花很多钱(利用社交网络关系，通过一个用户做问卷再发动这个用户找更多的人来做问卷，一点都不随机)，而且一个无法绕过的弊端在于：如果你使用调查问卷的方法，你很难排除回答者的语言回答一定就是ta心中真正的想法或者实际上的真正行为。

大数据首先不是抽样，它获得的数据是全体样本数据，其次它不是在让用户回答问题，而是实打实地去获取用户的“行为”。用户声称对某活动会有兴趣和用户是否参加了某活动，显然后者更能说明问题。

最重要的一点，大数据分析和抽样分析的核心区别在于：前者是动态的，后者是静态的。

前文提到，随机抽样方法是成本很高的，故而它很难每天都去做一次——事实上，为某个特定的问题一个月乃至一个季度做一次随机抽样，都很难实施。于是，一个随机抽样所形成的结论，其实是静态的，它只能说明在做那次调研时的一些相关性。当有新的用户(样本)加入时，很难再说明过去的相关性是否能够成立——除非，你能找到真正的排除了各种隐形变量后的因果关系。

如果试图减少成本去做非随机抽样，那么，它的结论就更没有推广意义(学术一点称之为外部效度性，非随机抽样外部无效度)。当新用户加入后，非随机抽样的结论基本不能适用。

但大数据的分析却是动态的，每秒都有可能产生一个新的结论。让我们用最常见的亚马逊页面上的“购买此商品的顾客也同时购买”来举例。

这个部分里的商品是活动的，由于新购买的产生，会导致这个模块里的商品可能会产生变化。不过，这个模块也有可能是导致商品集中化购买的重要原因：用户看到了这个模块里推荐的商品而产生购买的可能是很大的(也许ta本来就没有任何购买的念头，甚至连这个商品都不晓得)。但对于大数据来说，原因是什么一点也不重要，它要做的——至少在电子商务领域——无非是提高客单价罢了。买了A书和买了B书之间的因果研究，那是学者们的事，不是商人关心的事。

大数据处理的方式不是探幽细究型的，挖空心思去想究竟原因为何没有这个必要，不过拿出一些结论来演绎也是会闹笑话的：比如吃海参有助于提高智商。大数据其实不需要做什么演绎，它的任务只是让你在某一时刻能做到提升成功率的事，哪怕只有1%。量一大，1%都是极其可观的。

回到航空公司的具体案子来。10万同时拥有航空公司会员和微博会员的人，并非随机抽样而得，故而这10万对于整体数百万航空公司会员而言，没有代表性。但我们的目标不是想寻求坐这家航空公司班机的人和参与某网络活动的因果关系，我们只是想提升一下参与活动概率并希望看到更多人会去转发某个活动罢了。故而，10万微博用户，够了。

在某一个时点，跑了一下数据，大致能看到一些相关性，于是我们开始设计某种活动，并有针对性地让这10万微博用户知道，这次获得的参与度和转发率，比毫无数据支撑背景下的胡乱策划，成功率应该会高一点。同样的人力投入，得到了相对而言的较高效果，这就是数据分析的好处。

过了三个月后，又有需要策划的活动，注意，这一次依然需要再跑一次数据。因为样本可能不是只有10万了，也许15万，也许运气不好有2万微博用户已经“死亡”，只剩8万。另外一个可能是有某些新的外部变量加入，比如出来一种新的商品让很多人趋之若鹜高度关注。这个时候拿上一次的数据来指导策划，又是盲人骑瞎马，夜半临深渊了。

不同的时点，或者目标不同的活动，都需要再次跑数据，这可能是大数据分析的麻烦之处。不过，计算机的长处就是计算，花上一两个小时设计几个公式或模型，相对于过去动不动要搞随机抽样，便利性提高很多倍，值得尝试。

更宏大一点的就是真正意义上的“大数据”了。今年年头互联网圈阿里要并购新浪微博，从商业逻辑上讲，一个是中国最大的消费平台，一个是中国最大的碎片化言论平台，两者数据的合并，是颇能挖出更多的相关性来。

当你发表一条微博时，忽然配套出来了一条广告。是的，你很烦，感觉又被骚扰了。但从商业角度而言，如果你过去的烦是一万次广告推送才会有一次点击，现在变成九千次一次点击，都是了不得的进步。一万次为什么会变成九千次？因为一个人的言论和ta的消费倾向，的确是存在一定相关性的。

广告圈里一句名言：我知道我的广告浪费了一半，但我不知道浪费了哪一半。一些营销业者鼓吹说他们可以让你不浪费那一半。不要相信他们。对于广告来说，从浪费50%到浪费49%，都是很值得去投入的事。建立在相关性而非因果上的大数据营销，不可能让广告主从此不再浪费广告，它只能做到：浪费得少一点。

第5篇：大数据营销应用范文

关键词：大数据；云计算；职业教育

中图分类号：G424 文献标识码：A 文章编号：1009-3044（2014）09-1853-01

2012年，联合国大数据政务白皮书，提出了各国政府（包括联合国在内）的一个历史性机遇：利用丰富的大数据对社会经济做出具体的分析，帮助政府更好的运行经济服务社会。同年，奥巴马在美国白宫宣布将“大数据战略”上升为国家意志，将大数据定义为“未来的新石油”并加大投资拉动相关产业。2013年12月5日-5日，由中国计算机学会主办，中国CCF大数据专家委员会承办的主题为“应用驱动的架构与技术”的中国大数据技术大会，这次大会成为大数据技术与应用深度结合的新起点，成为产业界、科技界与政府部门密切合作的新平台，进一步推动我国大数据的产学研。2014年3月1日，在北京举行的贵州・北京大数据产业推介会上，贵州共获投730.2亿元用于大数据产业的发展，这一伟大的壮举将全面推动贵州互联网，网络营销发展进而影响贵州经济发展。百年大计，教育为本，在贵州“后发赶超，跨越发展”的过程中，教育的改善提升成了社会发展步伐是否稳健的重心，随着大数据的到来，贵州的教育正张开腾飞的羽翼迎接新一轮的跨越赶超，贵州在全国率先完成中小学生学习信息管理系统，学生学籍信息入库。为加快推进职业人才培养体系建设，促进经济工作稳定快速发展，省教育厅、人社厅等多家单位携手并进，联合出台了加快职业人才教育培养的实施方案，以贵阳为中心，打造职业教育核心发展区，规划高职办学规模达到25万人，为贵州大数据产业发展提供充足的人才保障，建成具有贵州特色的现代职业教育体系。在大数据背景的前提下，贵州的职业教育发展将踏上更加非凡和精彩的跨越之旅。

1 大数据、云计算简介

麦肯锡公司在2011年了一个前沿领域的研究：大数据。虽然到现在为止没有一个明确的定义，但是，大数据不是海量数据的表面理解，具有数据体量巨大，数据类型繁多，价值密度低，处理速度快等特点。 “云计算是通过网络提供可伸缩的廉价的分布式计算能力”。云计算代表了以虚拟化技术为核心、以低成本为目标的动态可扩展网络应用基础设施，是近几年来最有代表性的网络计算技术与模式。从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式计算架构。它的特色在于对海量数据的挖掘，但它必须依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术。

2 高职院校大数据条件下云计算的应用

云计算的应用使得高校在信息工具化的时代能够脱离原始的“信息孤岛”现象，集中了原本分散的国内及世界的教育资源，让社会与学校，学校与教师，教师与学生之间有了更深的互动和相互带动，把社会各行各业对教育有利的资源通过计算机与网络终端带动教育的发展。高职教育与传统的本科教育不同，重点是培养学生的实际操作能力，通过资源库的分析和选取并优化应用，可以提高高职教育的目标性。

2.1 依据社会人才需求信息，调整专业设置

目前的社会公开招聘信息都是通过互联网至少在全国范围内进行公开招考的，近几年，百度等各大网站都可以轻易的分析出

招聘的条件和专业。各大中型企业招聘的专业类型等都可以通过数据提取，数据分析得到各专业的需求状况，通过这些计算、分析这些大数据，可以适当迅速的调整专业设置和专业学习计划，以适应信息瞬息万变的时代需求。

2.2 利用数据库优秀教育资源，提高教学效果

近年来，各大高校，职院都在进行重点专业的课改工作，很多优秀的课程教学视频和配套资源等上网，通过相关网站对教育资源的数据进行搜索，在相应的学院，教研室，进行数据的分析和研讨，经过相应的更改后可以直接应用我们的教学和管理中，可以充分吸取网络教育资源的精华，变成自己教学工作进步的工具。

2.3 充分利用电子图书馆，扩展“校企合作”的形式

贵州是教育相对落后的地区，首先，经济基础决定上层建筑，资金配套的硬件措施是制

约学校教学工作前进的桥梁，近几年，国家的西部发展计划和贵州省对教育尤其是职业教育的大力支持，使得，学校的教学环境有了很大的改善，很多学校都配套修建了电子图书馆和电子信息实训室。“校企合作”首先在发达地区开展，在贵州，合作项目近三年才开始试行，以贵州职业技术学院为例，2012年，由政府搭台的“中兴网络学院”项目达成协议，中兴在贵州职院第一次投入一千万元建立实训室并开始招生，除了学校教学计划必须完成的课程外，中兴选派有实战经验的一线老师加强学生实训的教学和指导，让学生更深入的练习自己的职业技能，除了学习学校扎实的基础理论，更吸收了中兴企业信息化的优势。

3 高职教改的新方向

面向大数据的云计算主要是为学院提供基于云架构的知识、信息的存贮，但对于这些数据的科学性分析和研究并不完备，尤其是职业院校需要的不仅仅是可以相对容易验证真理的理论知识，主要是一线的先进生产力和技术的学习和研究资料，所以认真学习和研究大数据的处理方式，将是未来高职在大数据方面的发展新方向，当然事物两面性的原则，大数据的网络环境也为学院的发展带来负面的影响，比如，随处可见的传感器和摄像头等，都可能会泄露学校和学生的私人隐私信息，暴露学校的科研痕迹和学生的行踪轨迹，从而对学生的个人安全等起到威胁作用，所以，隐私信息保护系统也是当下研究的热点问题。

第6篇：大数据营销应用范文

各行各业的大数据应用

“大数据，‘大’和‘数据’都不重要，正确处理和运用大数据才是关键。”在1月30日由Teradata天睿公司举办的‘《驾驭大数据》作者面对面——分享如何极致演绎大数据价值暨新书会’上，被誉为“洞察博士”、“分析英雄”的Bill Franks说。Bill Franks是Teradata公司全球合作伙伴计划首席分析官，也是《驾驭大数据》的作者。他认为大数据的价值需要借助于一些具体的应用模式和场景才能得到集中体现。

车载信息服务装置最初是作为一种工具出现的，它可以帮助车主和保险公司获得更清楚有效的车辆保险信息。在许多交通工具都安装了车载信息服务装置后，除保险之外的很多行业都可以使用这些数据，它提供的时速、路段、开始和结束时间等信息，对改善城市交通拥堵具有意想不到的价值。

对于一个只有基本通话需求、价值相对较低的用户，电信运营商往往会根据账户盈利分析，不对其进行挽留。而在大数据时代，这种处理方法并不正确。正确的做法是利用社交网络分析方法，分析其通话圈子，评价其交际圈的整体价值，识别出用户的整体收入而不仅仅是客户为运营商提供的直接收入。即运营商应当把焦点从账户盈利分析转向社交盈利分析，把目标从个体账户的利益最大化，转向客户社交网络利益的最大化。

基于GPS技术和手机应用所提供的时间和位置数据，商家主动、及时地推送客户关怀信息，有利于改善客户关系和创造商业机会，也可以利用它进行共同目的或兴趣的社交，这些都会带来令人惊奇的业务创新。

另外，利用RFID追溯产品质量甚至防欺诈，利用智能电网的数据实现灵活定价引导错峰用电、节约用电，利用传感器数据检测、维护工业发动机和设备……大数据将在各行各业得到广泛应用。

抛弃数据到能驾驭的规模

Teradata天睿公司大中华区首席执行官辛儿伦表示，《驾驭大数据》一书的内容源自Franks丰富的经历。几十年里，他服务横跨多个产业和实践领域的众多客户，实实在在地分享实践心得。数据的核心是发现价值，而驾驭数据的核心是分析。

Bill Franks认为，大数据相当程度上是呈指数级增长的非结构数据（文本、视频、图像等），但这些通常由机器自动生成的全新数据源格式并不友好，更重要的是，其中很大一部分并没有价值。比如，火车上轮轨的传感器，能够将列车走行过程中大量的数据收集起来。从实践来看，这些数据从采集到分析，都是有价值的，但是没有必要把所有的传感器数据保留下来，分析人员只要寻找那些非正常的、有差异的记录数据即可，这才是真正有价值的。

他认为，企业应当有针对性地处理大数据，应当抛弃大部分，将其减小到能够驾驭的数量规模。对于日益重要的非结构化数据，Bill Franks认为，很少有方法能够直接分析非结构化数据，所以应用结构化方法进行分析很重要。企业应当立即收集部分大数据并开始分析，专注于能快速见效的部分，快速证明数据价值。

Bill Franks指出，企业要从大数据中获得最大的价值，需要同其他数据源实现整合，并将大数据作为企业数据和分析策略的另一层面，同时加强对大数据的格式、输入和使用标准的开发。大数据的处理分析技术包含分析与数据环境的关联性、海量并行处理架构（MPP）、云计算、网格计算及MapReduce、分析沙箱、单点分析、数据可视化等。

第7篇：大数据营销应用范文

在大数据时代环境下，信息的获取和选择、信息技术的掌握应用，直接影响知识的生产、科技的创新和成果的转化。大数据时代对高校的教学、学生的计算机应用能力提出了新的要求。产业界需求与关注点发生了重大转变，企业关注的重点转向数据，计算机行业正在转变为真正的信息行业，从追求计算速度转变为关注大数据处理能力，软件也将从编程为主转变为以数据为中心。学生要学会对数据的去冗分类、去粗取精，从数据中挖掘知识，要能够把大数据变成小数据，要在不明显增加采集成本的条件下尽可能提高数据的采集质量。要研究如何科学合理地抽样采集数据，减少不必要的数据采集。

二、大数据时代背景下的教学策略

（一）营造适合学生全面发展的软硬件环境信息时代的发展使得高职院校图书馆和数据中心具备了大数据的特征。科学研究和科技创新越来越依赖于对数据的管理和利用，打造良好、适宜的软硬件环境是提高职业院校学生信息素养的基础。目前互联网技术及应用普及度较高，建设智慧校园可为学生提供更多的接触信息资源的机会。加强高职院校数据中心和网络中心的建设力度，在依托传统图书馆文献存储量的基础上，增加馆藏图文电子数据、电子文献与多媒体文献，打造信息化图书馆，为学生提供多元化的信息资源与服务。加强校园社交网络平台的建设，利用微信等新型传播媒介，采用主动推送的方式传递正能量，提供有益于学生健康成长的信息，监控、屏蔽不良信息的传播，过滤影响学生身心健康的不良信息，构建适合高职院校学生学习的良好环境。

（二）发挥数字化图书馆在教育过程中的核心作用数字化图书馆的建设是图书馆业今后发展的主要方向。数字化图书馆也是一个科技含量较高的系统工程，高职院校各级领导应正确认识，加强资金投入，充分发挥其对教育过程的支持作用。数字化图书馆的典型特征是存储数字化、操作计算机化、传递信息网络化、信息存储自由化和结构连接化，可与高职院校的基础建设可以同步推进。在建设与发展过程中，教师要积极引导学生充分利用数字化信息资源。学生在使用数字化图书馆的过程中会产生一系列的行为特征数据。通过对学学习路径和学习偏好的数据分析，根据其特点与实际量身设计合理的信息资源智慧导航，从而为学生学习新技术、新知识提供个性化的服务。

（三）加强学生创新能力的培养在知识经济时代，创新决定着一个国家和民族的综合实力和核心竞争力。培养具有创新能力、实践能力的高素质技能人才，是高职院校人才培养的一个重点方向，也是高职办学的特色及亮点。创新能力培养的关键是创新思维的培养，而创新思维的核心在于思维的独特性和新颖性。在大数据时代，学生面临众多数据资源。教师需要对学生提供专业的指导，让学生学会利用互联网技术和计算机软件工具解决实际问题，在解决问题的过程中培养创新思维。高职院校应努力营造创新教育环境，结合创新教育，大力推进素质教育。将“小发明、小创造”“大学生实践技能展演”“大学生才艺展示”等活动纳入校园文化活动中。组织学生参加各行业举办的职业技能大赛，实现从应试教育向素质教育的转轨，培养实用型、创新型的复合技能人才。充分重视学生的个性发展，建立专业的师资队伍对学生的创造发明活动给予强有力的技术指导。对于技术含量高的、有市场推广价值的创造发明活动，要引导学生进行自主创业，带动就业。加大创新教育课程的开发与建设力度，强化学生创新能力的培养。

（四）培养学生对信息技术的兴趣与爱好兴趣是最好的老师，是激发学生学习积极性的动力，是激发创新能力的必要条件。学生只有对身边的事物发生了兴趣，才会活跃思维，激发潜力。在课程设计中加入了生动、形象、贴近工作、贴近生活的典型案例，可以有效地激发学生的学习兴趣，让学生乐在其中，愉快地完成学习任务。教学实践环节也应紧密围绕着学生熟悉的事物、案例来开展教学。授课教师应了解信息技术在行业的实际应用状况，根据不同专业的特点，结合学生，的知识体系结构精心准备授课内容，确定课程的重难点。在教学过程中，通过师生互动了解学生对课程内容的掌握程度，因材施教、精选案例、突出重点，从培养学生兴趣与爱好入手，让学生在轻松、愉悦的课堂教学中学习信息技术在专业领域的最新应用，了解最新的前沿学科理念，学握较新的实用技术。教师如果在教学活动中能及时、准确地解决学生在学习实践中遇到的疑难，并指导他们完成实训内容，将有助于学生在学习过程中获得成就感，激发学习的积极性、主动性和创造性。教师动手实践能力将使得更多的学生得到有效指导和帮助，实现高质量的课堂教学。

（五）探索高效教学模式根据高职人才培养目标的要求，计算机课程的教学需要与时俱进，随着各行业大数据产业的不断发展与应用而不断进行调整、创新。通过对学生在校期间学习、生活的轨迹进行搜集、整理，形成基础数据，进而分析他们的学习行为、学习喜好和思维模式，制定适合他们全面发展的教学方法，有针对性地培养和提高他们的计算机应用能力。利用各种辅助软件，开展行之有效的教学实践活动，让学生在“做中学，学中做”。提高各专业学生的计算机应用操作能力，使他们掌握互联网技术、计算机信息技术、电子商务等。以医学影像技术专业为例，学生既要学会影像阅片操作，又要掌握最新的X线机、CT、MRI等先进检查设备的使用与操作。如果能够将医学影像技术专业与计算机应用实践教学相结合，找出两者的学科交叉点，构建适合时展需要的复合型人才培养模式，将会起到事半功倍的作用。在大数据的背景下，各行各业都需要利用信息技术，特别是数据库技术、大数据分析技术，用以改变生产、经营、管理、工作、生活等的方式。因此各专业的毕业生都面临着行业对大数据的使用与开发的迫切需求。培养学生解决问题的实际操作能力，显得尤为重要。在专业课程的教学中，通过对大数据的应用与计算机应用技术的渗透，不但能激发学生学习专业技能的积极性，而且可以引导学生形成应用计算机解决专业问题的思维模式，对他们将来适应大数据环境下工作具有积极的引导意义。以专业培养目标为基础，合理对计算机课程进行设置与安排教学，将大数据知识、信息技术知识、计算机应用知识融入到各课程的教学中，构建适合高职类学生学习特点的高效教学模式。

（六）加强师资队伍建设加强师资队伍建设是提高学生计算机应用能力的关键。计算机应用基础课程的教师，首先应该是计算机应用方面的专家，既能掌握扎实的理论基础知识，又能熟练地操作计算机，善于使用相关行业软件。在教学中能够起到良好的操作示范作用，给予学生无形的感染力和号召力，增强学习的主动性与积极性。在实践教学过程中，计算机任课教师不仅要与专业课教师紧密合作，整合校内已有的专业资源和信息技术资源，充分利用好大数据，而且要与行业、企业加强联系，采取走出去、引进来的方式，让学生在校期间就能充分接触各种面向实际应用的信息技术产品与工具。学校要制定行之有效的师资队伍培养计划，紧密结合企业、行业的实际需求，建设“双师型”教师队伍，加强现代信息技术应用能力培训。教师应深入企业、行业，了解企业人才需求，了解企业使用的最新应用软件动态与进展，充分利用好企业、行业大数据资源的研究最新成果，更新知识结构，提高实践操作水平。

第8篇：大数据营销应用范文

【关键词】大数据；高校人事管理模式；重要作用；存在问题；有效举措

随着我国高校改革的进一步深入，原有的人事管理模式已经不能够适应高校的新发展，因此，应该借助于信息时代的先进技术，通过利用大数据技术来创新人才管理模式，促进高校人事管理工作上新台阶，推动高校的进一步发展。

1信息技术对高校人事管理模式改革的重要作用分析

大数据时代背景之下，信息技术对高校的人事管理改革工作，具有十分重要的推动作用和影响，主要表现在以下几个方面。

（1）能够为高校人事管理工作提供新的方式和手段。传统的高校人事管理工作往往以管事为中心，注重对全校的人事劳资关系、工资考核等社保方面进行管理，但是这种管理方式不适合新时代的需求。通过借助信息技术能够为高校的人事管理工作提供新的管理方法。信息技术能够使得高校人事管理模式进行转型，可以通过进一步强化考核，完善相关的奖励机制，优化薪酬待遇等方式，提高人事管理的积极性和主动性，实现高校人事管理工作绩效进一步优化，因此，信息化技术为高校人事管理模式变革提供了新的手段，能够借助于信息化技术以及大数据技术，实现对认识的科学管理，充分地展现人才战略的优势，调动起高校员工的工作积极性[1]。

（2）能够使高校人事管理工作更加规范。通过借助于信息化技术能够使得高校人事管理工作更加标准和规范，尤其是随着高校的不断扩招，人数越来越多，传统的人事管理模式难免工作效率低下，而且不能够对人员进行优化配置。通过借助于信息化技术能够使得人事管理工作更加规范化，推进电子档案的管理能够进一步规范人力资源管理的各个流程，确保对人力资源的相关信息进行有效的收集、存储、调用，并且进行实时的更新，既满足了工作的需要也能够全面地规范人事管理的流程[2]。

（3）能够建立共享平台，实现对数据的共享。传统的人事管理往往是记录在纸上，这种形式保存起来比较困难，一旦发生火灾将会造成档案的丢失，但是通过采用信息化的技术能够进一步提高人事资源管理的效率，加大对各种信息的利用率。通过借助于信息化技术对各种档案信息进行全面记载，并且动态调整机位，高校的人事调整提供参考资料，也能够提高服务效率，随时对各种档案信息进行完善。

2高校人事档案管理的现状及存在的问题分析

尽管大数据技术对于提高高校人事档案管理的水平和质量具有重要的帮助，但是当下高校人事档案管理信息化建设依然存在着一些问题和不足，主要表现在以下几个方面。

（1）管理的意识相对较为落后，信息化认识不足。在大数据时代背景之下，高校进行人事档案管理工作，管理的理念相对较为落后，对于信息化的认识存在着一定的偏差，没有做好顶层设计，也没有结合实际情况建立相关的网站和平台，这样就无法推进高校人事档案管理的信息化建设。仅仅利用一些软件进行信息化管理，不能够充分地发挥大数据的价值，导致资源的浪费以及效率的低下。

（2）数据权威性不高，共享比较低。高校在进行人事管理时由于信息是多方面的，既有组织部门的也有教务部门的同时，也有学生处的，如果不能够对各类信息进行收集并且共享，那么也会影响大数据管理的效率，但是当下高校在进行人事档案管理时，往往数据权威性相对较差，存在着较大的出入，而且资源的共享率不高，往往不同系统采用的是不同的软件技术公司，所以就造成了功能的重复，而且也不能够实现对数据的共享，数据的准确性不高，衔接性相对较差，影响了人事信息的准确性和权威性[3]。

（3）信息系统框架陈旧，数据安全性不高。高校在推进人事管理改革时需要对信息系统进行有效的维护，但是当下信息系统的构架相对较为陈旧，新技术应用不高，软件比较陈旧，尤其是缺乏安全方面的考虑，造成了信息的丢失现象严重，给教职工带来了较大的困扰，而且影响到了人事管理的质量。比如，当下难以对各种信息系统进行汇总，在进行数据安全维护上也缺乏意识，造成了黑客的攻击，病毒的入侵等现象，无法对这些行为进行防范，造成了人事档案信息的丢失。

3大数据背景下提高高校人事管理模式创新改革的有效举措分析

结合当下高校人事管理模式变革过程当中存在的问题，为了全面提高高校人事管理的效率，应该采取以下有效举措。

（1）要进一步创新观念，提高对信息化技术应用的重视程度。高校在进行人事管理时，为了进行管理模式的改革和创新，必须要进一步创新观念。将以人为本转变能够坚持以人为中心，建立现代化的人力资源管理模式，才能够更好地推进人事管理工作。比如在进行人事管理时，要进行视角上的创新，侧重点的创新，管理方式方法的创新，摒弃传统的人事资源管理方式，应该坚持以人为本，尊重人才，充分发挥人才推动，学校发展的力量，使得全校整体的绩效以及实力得到有效提升，因此应该结合实际需要建立以人为本的人力资源管理方式。通过转变观念，提高对信息化技术应用的重视程度，完善信息化建设的一些基础措施来推进信息化建设奠定良好的基础[4]。

（2）要构建更加完备的人力资源管理平台。为了实现对各个系统数据的有效整合，在进行人力资源管理时，要建立满足服务需求的人力资源管理平台，实现各个部门之间的信息融合，打破信息孤岛的现象。通过整合相关的业务，并且建立更加全面的人力资源管理平台，这样才能够实现对各种信息的有效管理，建立统一平台，形成自上而下的有效认识，全面推进信息化的整体化进程。尤其是要引入现代服务的理念，构建更加完备的信息化平台，对教职工学生以及其他信息进行综合全面处理，实现网络化的服务，这样既能够满足员工的需求，也能够提高服务的效率和质量，因此要打破各个部门的局限性，建立统一的管理平台，实现统一管理，加强对数据的有效应用，为高校进行人力资源管理工作提供准确的参考依据。

（3）要加强制度约束，确保流程的规范性和安全性。为了推进高校人事管理工作的长远发展，在进行信息化建设的同时，也要采取一些安全保护技术进一步规范系统平台的操作，对各类数据进行安全加密处理，避免信息的泄露，也能够真正地提高人力资源管理的安全性能，因此需要建立长远的眼光，能够建立相关的督导制度，对信息化操作进行有效的约束，确保信息化建设更加标准和规范[5]。

（4）要提高团队的综合素质。在推进信息化建设的过程当中离不开一支高素质的管理队伍，因此，要进行人力资源培训，提高现有管理人员的综合素质，也要结合实际需要聘请一些专业的人力资源管理人员融入管理队伍当中。通过打造一支高素质的人力资源管理队伍，真正地创新服务理念，提高服务效率，因此要打破年龄的限制，聘请一些德才兼备的管理人员充实到管理队伍当中，为人事档案管理工作提供人事保障[6]。

4结语

第9篇：大数据营销应用范文

关键词：职业技术学院；智慧校园；大数据挖掘技术

近年来我国教育部越来越重视高职教育，提出了使用信息网络技术创建数字校园的要求，建设智慧校园时发展数字化学校的基础，它的核心就是智慧，运用全新的云计算、智能网络等信息技术，实现智慧管理服务。在高职智慧校园建设中，大数据挖掘有着重要的作用，通过大数据挖掘可以有效提高学校教学质量及管理能力，创新学校传统的粗放式管理模式，变为精细化校园管理。本文就以大数据挖掘技术为基础，分析其在高职智慧校园建设中的应用。

1高职智慧校园中大数据挖掘技术的重要性

1.1实现智能化教学

在高职智慧校园中，大数据挖掘技术可以准确的记录每一个学生在学习过程中的行为，学生还可以通过连接校园网，实现课堂互动学习，使学生的学习不仅仅是在课堂上完成，不受时间、地点的限制，学生可以自由控制学习时间，提高学生的学习质量，丰富教学活动。另外大数据挖掘技术还可以分析学生的学习行为，使教师可以对学生进行针对性的辅导，创建系统化的学习模式。【1】

1.2实现考学研共同发展

在高职智慧校园中，其可以通过大数据挖掘技术为教师创建教研平台，为教师提供大量的科研资料及技术发展动态。通过使用多媒体技术，与平台中的教研学者进行研究成果的沟通交流，实时的分享科研数据，能够确定教学的发展趋势，使国内外的交流提高一个层次，实现考学研共同发展和创新。

1.3提高学校管理效率

智慧校园中具有大量的数据信息，比如学校网站论坛中的稿子、评论、留言等，这些数据包括了结构化数据和非结构化数据，大数据挖掘技术可以对这些数据进行存储和分析，从大量的数据中找出最有价值的信息及数据，不仅仅能对校园中的人力、财力及物力进行服务，还能够对教育、行政、设备及科研方面进行管理服务，还可以寻找教育中和学习中的规律，对教育及办学趋势进行预测，为高职院校发展提供具有价值的意见，也有效地提高了院校的办学质量及教学效率。【3】

1.4实现智慧化服务

数字管理系统创新了传统的人工管理，大大节省了管理资金及人力，对校园进行智能化、数据化的管理及服务，比如资源的分配、信息化培训、故障响应等等。其中资源的分配包括软件系统的升级优化及IP地址、身份验证的优化分配等；信息化培训包括为学生培训提供文本资料、音频资料及视频资料等等，可以有效地提高教师及学生的信息素养，使教师及学生具备的信息化智慧能够满足智慧校园的需求；故障响应指的是在智慧校园发生故障及遇到问题的时候可以及时响应。【3】

2高职智慧校园的建设

2.1何为智慧校园

智慧校园指的是校园的数字化建设，并且与物联网、大数据技术及云计算等一系列的计算机技术相结合的全新校园建设理念。智慧校园主要是以物联网为基础，以大数据及云计算为前提，将高校管理工作、教学、科研及服务相融合的综合智慧校园环境。在智慧校园中，师生可以以手机、电脑等无线通讯设备结合校园网络，不受时间、地点的限制进行学习、教学、生活等一系列的校园活动，实现信息化的校园学习活动，有效地提高教学效率及校园管理效率。

2.2高职智慧校园的建设架构

高职智慧校园可以将智能传感器安装在校园中各个教室、图书馆、宿舍及实验室等各个场所中，并且将它们进行连接，从而构建物联网，使用服务器和云计算服务将软件管理系统与物联网向融合，全面实现校园智能化管理及教学。并且使用科学有效的管理模式处理这些信息资源，为全体师生及学校工作人员提供全面的信息化服务平台及生活环境。【4】

2.3高职智慧校园建设现状

智慧校园从产生到创建都得到了国家及社会企业的支持，但是由于高职院校本身的管理模式及部门之间的通讯较为复杂，这就使得高职智慧校园在建设以来还存在一些问题，比如：（1）高职院校中的大量的信息及学生的自律等方面，使得学校与学生之间的沟通交流无法实现全面信息化，其中不乏有一部分学校还是通过传统的短信、公告栏的信息为学生传递信息，这就造成学生无法及时的信息，降低了沟通效率；（2）由于学校与行政管理部分的网站并不统一，这就对管理方面造成了一定的难度。不统一的平台使一些具有价值的信息资源无法存储到相同的数据库中，使数据的格式及标准也有不一致，就使得系统中存在大量的无用数据及垃圾数据；（3）这些数据都较为庞大且复杂，目前的管理并没有针对性的对这些数据进行挖掘和信息，比如学生在日常生活中的行为没有和毕业方向统一分析、图书馆中的学生解决信息没有与个性化教学相联系等等。【5】

3高职智慧校园建设中的大数据挖掘技术

3.1何为大数据挖掘技术

大数据挖掘技术指的不仅仅是对数据信息进行处理，还是对这些数据进行专业的分析，深入挖掘数据中的潜藏及具深层次的信息。从技术角度来讲，大数据挖掘技术与云计算是有一定联系的，大数据不能单独进行处理，要使用分布式的架构，以此对数据进行挖掘，所以大数据挖掘要依靠云计算进行数据的存储、处理和分析。

3.2大数据挖掘技术智慧校园的需求

目前我国高职智慧校园的建设已经有了良好的效果，比如使用了技术性的教学手段及远程教育等等，在学生的管理方面也使用了监控及一卡通等等，有效地提高了对学生的管理效率，学校行政管理方面也实现了各部门之间的信息互通目的。随着连接的实体越来越多，那么传统的数据架构已满足不了需求，大数据挖掘技术就能很好地解决这个问题，对这些数据进行快速有效的分析，进行深入挖掘信息的潜在价值，为校园教育发展提供有价值的信息，体现高职院校的智慧特色。【6】

3.3大数据挖掘技术智慧校园建设架构

为了能够使高职智慧校园发挥出更大的作用，就在传统的建设基础上应用大数据挖掘技术，深入挖掘传统智慧校园中的智能识别及检测中的数据，并且对其进行统一管理，为高校中的教育、服务、管理及学习提供智慧的应用，实现校园学习智能一体化。应用大数据挖掘技术和云计算，可以先构建一个建设架构，详细见图一，下文对其进行具体说明。（1）基础设备。其中包括检测设备及感应设备，并且分布在校园的各个角落中，收集校园教师和学生的日常生活数据，使用通信网传送到云存储层，能够全面了解学校中教师和学生的生活和学习。（2）采集信息及存储层。使用云计算中的存储技术将基础设备中收集的数据进行存储，并且使用虚拟化技术降低空间的浪费，使数据资源可以有效整合，使数据存储具备智能化及自动化。（3）数据管理及云计算。管理云服务中的信息资源信息，对这些数据资源进行计算，使数据的分析更加精准。（4）智慧应用层。深入挖掘大数据，并且对其进行分析，为智慧校园中的信息化业务提供数据支持技术，这个也是使智慧校园发挥作用的重要内容，也是高校智慧校园建设中重点内容。【7】

4结束语

为了使高职院校教育模式和理念能够满足现社会形式的需求，智慧校园的建设也得到了教育界人士的广泛支持和认同。将大数据挖掘技术应用到智慧校园中，不仅能够对校园中的数据进行更深层次的分析，深入挖掘其中的价值，还能够对数据进行智能决策。大数据挖掘技术是高职校园建设中的核心内容，能够将智慧校园中的智能化及数字化充分体现。目前大数据挖掘技术还存在一系列的技术性问题，但是相信在今后的发展中，其能够完美的与智慧校园相融合，更加人性化的为校园师生提供服务。

作者:王桂武 高林国 陈新胜 单位:江西陶瓷工艺美术职业技术学院

参考文献：

[1]宿佳宁,赵洪光,杨文.大数据挖掘在高职院校智慧校园建设中的应用[J].福建质量管理,2016(4).

[2]鲁力.大数据背景的高职院校智慧校园建设分析[J].中国教育技术装备,2016(15):48-49.

[3]程大鸣,刘碧俊,侯松.基于大数据背景的高职院校智慧校园建设的研究[J].信息与电脑(理论版),2015(21):71-72.

[4]陈嘉瑜,陈红慧.大数据时代高职院校智慧校园建设研究[J].信息系统工程,2016(10):147-148.

[5]许冠军,叶敏.大数据背景下的高职院校信息化建设探索[J].中国教育信息化(高教职教),2016(9).